使用 Matplotlib 的自相关图
自相关图是检查数据集中随机性的常用工具。这种随机性是通过计算不同时滞下数据值的自相关来确定的。
自相关图特征:
- 它将一组当前值与一组过去值进行比较，并找出它们是否相关。
- 它是一个时间序列数据与另一个时间序列数据的相关性，具有时滞。
- 从+1 到-1 不等。
- +1 的自相关表示如果时间序列 1 的值增加，时间序列 2 也与时间序列 1 的变化成比例增加。
- 自相关值为-1 表明，如果时间序列 1 的值增加，时间序列 2 将与时间序列 1 的变化成比例减少。
自相关的应用:
- 模式识别。
- 信号检测。
- 信号处理。
- 估计音高。
- 股票的技术分析。
绘制自相关图
要绘制自相关图，我们可以使用 matplotlib，并使用 matplotlib.pyplot.acorr()函数轻松绘制。
语法: matplotlib.pyplot.acorr(x， data = None，kwargs) 参数:*
- ‘x’:这个参数是标量的序列。
- “去趋势”:该参数为可选参数。它的默认值是 mlab.detrend_none。
- “赋范”:该参数也是可选参数，包含 bool 值。其默认值为“真”。
- “usev lines”:该参数也是可选参数，包含 bool 值。其默认值为“真”。
- “maxlags”:该参数也是可选参数，包含整数值。它的默认值是 10。
- “线型”:该参数也是可选参数，用于绘制数据点，仅当 usevlines 为 False 时使用。
- “标记”:该参数也是可选参数，包含字符串。它的默认值是“o”。
返回:(滞后，c，行，b) 其中:
- 滞后是长度为 2`maxlags+1 的滞后向量。
- c 是 2`maxlags+1 自相关向量。
- line 是由 plot 返回的 Line2D 实例。
- b 是 x 轴。
例 1:
Python 3
# Importing the libraries.
import matplotlib.pyplot as plt
import numpy as np
# Data for which we plot Autocorrelation.
data = np.array([12.0, 24.0, 7., 20.0,
7.0, 22.0, 18.0,22.0,
6.0, 7.0, 20.0, 13.0,
8.0, 5.0, 8])
# Adding plot title.
plt.title("Autocorrelation Plot")
# Providing x-axis name.
plt.xlabel("Lags")
# Plotting the Autocorrelation plot.
plt.acorr(data, maxlags = 10)
# Displaying the plot.
print("The Autocorrelation plot for the data is:")
plt.grid(True)
plt.show()
输出:
例 2:
Python 3
# Importing the libraries.
import matplotlib.pyplot as plt
import numpy as np
# Setting up the rondom seed for
# fixing the random state.
np.random.seed(42)
# Creating some random data.
data = np.random.randn(25)
# Adding plot title.
plt.title("Autocorrelation Plot")
# Providing x-axis name.
plt.xlabel("Lags")
# Plotting the Autocorrelation plot.
plt.acorr(data, maxlags = 20)
# Displaying the plot.
print("The Autocorrelation plot for the data is:")
plt.grid(True)
plt.show()
输出:
版权属于：月萌API www.moonapi.com，转载请注明出处
